La bioinformatique en entreprise

Transcription

1 Charlène FLEURY Christian JACQUES EI3 Info Projet de veille technologique La bioinformatique en entreprise Introduction Le développement de programmes informatiques dédiés à l analyse des données biologiques n est pas une activité récente. Ce domaine scientifique a cependant connu un développement spectaculaire depuis le milieu des années 90 et qui coïncide avec le décryptage à grande échelle des génomes. C est à ce moment là que le terme «Bioinformatique» apparaît dans la littérature scientifique. Le but de notre travail est d aborder la bioinformatique sous l angle de l entreprise, c'est à dire de considérer les entreprises qui font de la bioinformatique et de décrire dans quels domaines elles le font. La raison d être du sujet est simple : les chercheurs, tels Morgan Magnin, notre encadrant pour ce projet de veille technologique, ont une vision universitaire de cette discipline, qui est parfois faussée par leur expérience. L idée est donc de nous pencher sur la bioinformatique en entreprise avec un regard neuf, dénué d a priori, pour réaliser les deux objectifs suivants : Identifier les grands domaines «productifs», c'est à dire les grands domaines de cette science qui sont investis par l industrie Observer les algorithmes et les modélisations utilisées en entreprise et les comparer aux algorithmes et modélisations universitaires Dans un premier temps, nous allons redéfinir la bioinformatique, et décrire ses trois principales applications : l analyse de séquence, la modélisation moléculaire et la construction d arbres phylogénétiques. Puis nous verrons, au travers de quelques exemples, quelles sont les préoccupations actuelles des entreprises de bioinformatique.

2 Sommaire Introduction... 1 Sommaire... 2 GENERALITES SUR LA BIOINFORMATIQUE 3 Analyse de séquence 3 A. Traduction de séquences nucléiques en protéines... 3 B. Recherche de séquence dans les banques de données... 4 C. Alignement de séquences :... 4 D. Biopuce... 4 Modélisation moléculaire 6 Construction d'arbres phylogénétiques 8 A. Méthode UPGMA... 8 B. Méthode de Neighbour Joining... 9 C. Autres méthodes... 9 LA BIOINFORMATIQUE EN ENTREPRISE 10 Analyse de séquence en entreprise: génomique fonctionnelle 10 Modélisation moléculaire et développement pharmaceutique 12 A. Prise en compte de l environnement cellulaire B. Les propriétés ADMET Conclusion

3 Généralités sur la bioinformatique Analyse de séquence Aujourd hui plus de 90% du génome humain a été analysé et séquencé. De nombreuses autres molécules sont étudiées afin de pouvoir déterminer les propriétés. Il est devenu nécessaire de créer des banques de données pour retrouver facilement ces grandes quantités d informations. Différentes bases de données ont été mises en place pour référencer ces séquences comme la banque de données GenBank (en libre accès), qui regroupe les séquences de nucléotides et leur traduction, ou encore les bases UniProt et Protein Data Bank, qui rassemblent les protéines. Les progrès dans le domaine de l informatique permettent aussi des de développer la recherche dans l analyse de séquence. On distingue trois utilisations principales : Traduction de séquences nucléiques en protéines Recherche de séquence dans les banques de données Alignement de séquences A. Traduction de séquences nucléiques en protéines A partir de différentes séquences connues, il est possible de rechercher des protéines et de trouver leurs traductions globales. Sur la séquence que l on étudie, on recherche les différents codons d initialisation ou codon stop les codons sont des triplets de nucléotide d ARN (Acide Ribonucléique) messager. Entre deux codons, on retrouve des séquences de nucléotides qui correspondent à des protéines. A partir des données 3

4 connues, il est possible de retrouver certaines propriétés ou protéines qui s exprimeront à partir de cette séquence. B. Recherche de séquence dans les banques de données A partir d une séquence ou d un fragment de séquence, on peut être amené à rechercher des séquences dans les banques de données citées plus haut. Divers logiciels existent pour répondre à ce besoin comme notamment ceux de la famille BLAST (Basic Local Alignment Search Tool) Ils font appel à des algorithmes de recherche heuristiques afin de trouver rapidement des séquences proches. Ces outils de recherche existent aussi en accès libre. On peut en retrouver sur le site du Pôle bioinformatique Lyonnais ( lyon1.fr/) et effectuer ces recherches à partir des séquences référencées dans la banque de données GenBank. Sur le site du Laboratoire d Informatique Fondamentale de Lille, on peut trouver de nombreuses explications sur ces méthodes et recherche de séquence et notamment de nombreux algorithmes (en C) de recherche de motifs : (cours de H. TOUZET, DESS Bioinformatique). C. Alignement de séquences : Certaines séquences présentes la même structure générale mais diffèrent sur quelques points. En comparant des séquences similaires, on pourra identifier les sites fonctionnels, établir des parentés (phylogénie). Il s agit plus d une méthode de visualisation permettant de comparer rapidement et facilement les similarités entre plusieurs séquences. A partir d une séquence pour laquelle on connait le mécanisme d action, on pourra faire de nombreuses hypothèses sur les similarités structurelles et fonctionnelles de la séquence étudiée. Il faut faire appel à des algorithmes pour pouvoir aligner ces séquences en fonction de leur similarité pour trouver les enchainements de nucléotides identiques. D. Biopuce Les biopuces ou puces à ADN reposent sur la propriété d un brin ADN de reconstruire le brin complémentaire les nucléotides s unissant deux à deux. Les biopuces sont des plaques sur lesquelles sont alignées de façon ordonnée, différentes molécules d ADN. Après avoir été mises en contact, chaque point de la plaque va être analysé grâce à des 4

5 scanners à haute résolution (2 microns). Ces scanners renvoient une image en noir et blanc pour laquelle chaque pixel va être mesuré. Cela permettra de connaitre l intensité d expression de chaque gène (proportionnel à l intensité du pixel). Ces puces permettent de trouver des séquences spécifiques à certaines maladies par exemple et sont utilisées pour trouver des traitements. 5

6 Modélisation moléculaire Afin de prévoir les interactions entre les molécules, il peut être intéressant de connaître leur modélisation spatiale. Avec l informatique, il devient possible de prédire la structure 3D d une protéine à partir de la liste des acides aminés qui la composent. Par exemple, dans le cas des enzymes, la fonction principale est liée à la présence d un site actif dans leur structure. En prédisant la structure de la molécule, on pourra trouver les protéines inhibitrices qui interagiront avec cette enzyme. Cette avancé permet d importantes réduction de cout en argent et en temps. Le premier algorithme pour prédire la strucuture des ARN a été développé par Ruth Nussinov. Il s agit de prédire la configuration la plus stable de la molécule (état dans lequel l énergie est minimale). Aujourd hui, l algorithme de Zucker permet la prédiction de structure. Le programme mfold est basé sur cet algorithme. Il est disponible en ligne à l adresse suivante : Dans le résumé de sa publication, Michael Zucker écrit : The objective of this web server is to provide easy access to RNA and DNA folding and hybridization software to the scientific community at large.( Ce chercheur veut donc proposer ses recherché au grand public et chacun a la possibilité d obtenir des structures d ADN ou d ARN à partir de leur séquence de nucléotide. Exemple : voici la séquence utilisée (portion d une séquence biologique d'adn pour le gène Antennapedia CG1028 RH de Drosophila melanogaster) : ttcagttgtg aatgaatgga cgtgccaaat agacgtgccg ccgccgctcg attcgcactt Par le programme mfold, nous obtenons la structure suivante : 6

7 Un autre algorithme de prédiction de la structure secondaire d une séquence d ARN est proposé dans la thèse de S. Engelen (Université d Evry Val d Essone) disponible à l adresse suivante evry.fr/~sengelen/documents/these_stefan.pdf. Cet algorithme, appelé P DCfold est basé sur la comparaison de séquences homologues. Le principe est de rechercher des hélices pertinentes en utilisant l approche comparative. En plus de permettre la prédiction des structures, de nombreux logiciels utilisent les banques de données pour permettre la visualisation de modélisation spatiales des protéines. A partir de données expérimentales, cristallographie ou RMN, la communauté scientifique possède de nombreuses données sur les structures. Il existe différents logiciels qui interprètent ces données et affichent une représentation fidèle et manipulable en 3D. Le site Spectroscience propose une liste de logiciels gratuits ( Image de protéine obtenue par le logiciel Rasmol Il est possible de manipuler les molécules, étudier d éventuelles mutations, vérifier leurs propriétés géométriques Les données obtenues lors de modélisation moléculaire permettent donc aux scientifiques d étudier la molécule au niveau microscopique, protéine par protéine. Il devient possible de prédire leur comportement à partir de la structure obtenue et donc de créer et d optimiser les modélisations informatiques au niveau macroscopique. Ces actions permettent d économiser du temps et de l argent. 7

8 Construction d'arbres phylogénétiques Les arbres phylogénétiques sont des arbres qui montrent les relations de parentés entre les espèces. La construction de ces arbres repose sur la comparaison des gènes entre les différentes familles. Les gènes descendant d un même gène ancestral sont dits gènes homologues. Exemple d arbre phylogénétique en fonction de la présence de différents organes Pour des gènes homologues présents chez des espèces différentes, on parle de gènes orthologues. Sinon ils sont paralogues (on les retrouve chez la même espèce). En réalisant les comparaisons des gènes orthologues entre différentes espèces, il est possible d obtenir une mesure de la distance génétique entre deux espèces. On regarde le nombre et le type de mutations qui sépare les deux gènes. En menant ces études sur un grand nombre d êtres vivants, on peut établir une matrice des distances génétiques entre plusieurs espèces. Les arbres phylogénétiques rapprochent les espèces qui ont la plus grande proximité. Plusieurs algorithmes différents sont utilisés pour tracer des arbres à partir des matrices de distance. Les deux méthodes les plus connues sont la méthode UPGMA et la méthode du Neighbour Joining mais il existe d'autres méthodes basées sur le Maximum de Vraisemblance et le Bayésien Naïf. A. Méthode UPGMA La méthode UPGMA (Unweighted Pair Group Method with Arithmetic mean, ou Méthode de regroupement non pondéré par paire avec moyenne arithmétique) est un algorithme destiné à la construction d arbre phylogénétique par transformation d une matrice de distances entre différentes espèces. L algorithme utilise les distances indiquées dans la matrice et fonctionne par itération successives. 8

9 Tant que tous les points ne sont pas sur l arbre Faire : Fin Tant que Choix de la distance la plus faible : familles A et B Calcul des nouvelles distances : dist({a,b},c) = [ dist(a,c) + dist(b,c) ] / 2 (moyenne arithmétique) Cette méthode est efficace si les taux de mutation sont les mêmes sur chaque branche. Dans le cas contraire, si une espèce a subi plus de mutation que sa voisine, elle apparaîtra plus lointaine. Elle sera donc sur une branche plus éloigné et l arbre obtenu sera faux. Cet algorithme n est guère plus utilisé aujourd hui que pour son intérêt historique. B. Méthode de Neighbour Joining Cette méthode se base sur les mêmes principes que les méthodes de cluster analysis. Pour palier aux défauts de la méthode UPGMA, cet algorithme tient compte des vitesses d évolution entre les branches. Cette méthode recherche l arbre qui minimise la longueur totale. La matrice de distances permet de construire un premier arbre en étoile. Cette matrice M est ensuite corrigée pour tenir compte de la divergence des séquences : Avec d(i, j) : la distance entre i et j N le nombre de famille ou espèce étudiée Tout comme la méthode précédente, on choisit les éléments les plus proches, i.e. qui ont la distance la plus petite, on les place sur l arbre et on recalcule les distances par la même formule. C. Autres méthodes Les autres méthodes comme le maximum de vraisemblance ou la Bayésien Naïf reposent sont des méthodes reposants sur des principes plus mathématiques et des calculs de probabilités. Un article très complet sur les arbres phylogénétiques peut être lu sur le site de l Université d Angers ( angers.fr/~gh/idas/wphylog/infobiogen/phylogenie.htm), reprenant le site d Infobiogen qui a fermé. 9

10 La bioinformatique en entreprise Nota : dans cet exposé et dans le recensement que nous nous sommes efforcés de réaliser, nous avons choisi de restreindre notre étude aux entreprises françaises, ou implantées en France. Tout d abord, on a pu constater que les problématiques de construction d arbres phylogénétiques n étaient pas une préoccupation de l industrie mais demeurait l apanage de la recherche universitaire. Par contre, les deux grands domaines de recherche que sont le séquençage du génome et la modélisation moléculaire trouvent toutes deux des applications dans l entreprise. Analyse de séquence en entreprise : génomique fonctionnelle Outre la possibilité de reconstituer la phylogénie des espèces vivantes, le séquençage du génome permet de mieux connaître le génome humain, et notamment les nombreux gènes impliqués dans les processus pathologiques. Ainsi, cette application est maintenant très largement approfondie par les entreprises, notamment dans la lutte contre les cancers ; citons l exemple du cancer du sein de type médullaire, qui est une entité biologique dans laquelle on trouve 100 % de mutation du gène p 53. Deux évolutions technologiques majeures ont permis l exploitation de l analyse de séquence par le domaine privé. Tout d abord, les nouvelles techniques de data mining et de clustering permettent d exploiter la masse importante de données disponibles. Ces données sont d ailleurs partagées sur des bases de données publiques (UniProt, PDB, etc..). Ainsi, des entreprises comme Genomining, avec ses systèmes Navibio et GeneWarner, et Gene It, avec la méthode GenomeQuest, proposent des systèmes informatiques de gestion et de comparaison de séquences de gènes et de protéines, qui facilitent la prédiction des fonctions de ces molécules. L autre évolution majeure n est pas une avancée de l informatique, mais bien des biotechnologies : il s agit de la puce à ADN, permet d'analyser le niveau d'expression des gènes (transcrits) dans une cellule, un tissu, un organe, un organisme ou encore un mélange complexe, à un moment donné et dans un état donné par rapport à un échantillon de référence. La comparaison de deux expériences de puce à ADN (par exemple deux cellules du même type l'une saine et l'autre malade) peut permettre de découvrir des gènes exprimés différemment selon les conditions : de fait, en une seule expérience, il est possible d'identifier les gènes dont l'expression est modifiée. Pour être validée, 10

11 l'expérience doit être réalisée sur plusieurs réplicats techniques et biologiques et doit ensuite être soumise à une analyse statistique. C est là qu intervient la science informatique, qui propose des algorithmes de normalisation des signaux, et une mise en évidence des gènes sur ou sous exprimés. Une fois ces gènes identifiés, d'autres analyses in silico 1 sont nécessaires, telles que des analyses de clustering pour regrouper les gènes présentant le même profil d'expression. Enfin, les résultats seront souvent confirmés gène par gène par des méthodes telles que la PCR quantitative 2 ou le Northern Blot 3. Un exemple d entreprise qui utilise cette technologie dans l optique de mieux comprendre les mécanismes de régulation de l expression des gènes est Atragene Bioinformatics, basée sur le Génopole d Evry. Celle ci propose un logiciel d identification et de visualisation de motifs conservés dans des séquences d ADN, Atragene Pattern Explorer. Intégrant un puissant algorithme de calcul le Gibbs Sampling et doté d une interface intuitive, il permet aux biologistes de rechercher de nouveaux sites de fixation de facteurs de transcription, des sites de branchement d épissage ou des séquences d ADN répétées. Les puces apportent principalement des données qualitatives (variation d'expression d'un gène) cependant il est difficile de quantifier avec précision l'expression d'un gène avec la technologie des puces à ADN. 1 L approche «in silico» de la biologie correspond à l utilisation de l outil informatique pour traiter les données de la biologie moléculaire. 2 Le PCR Quantitative est une méthodes de quantification de l ADN. La première, réalisable en temps réel est basée sur une réaction en chaîne par polymérase suivie grâce à des sondes fluorescentes. 3 Le Northern Blot, ou transfert d ARN, est une méthode d analyse de l ARN, qui est analysé par électrophorèse et détecté par une sonde. 11

12 Modélisation moléculaire et développement pharmaceutique A. Prise en compte de l environnement cellulaire Pour qui veut limiter les risques d échec inhérents au développement pharmaceutique, une autre solution est d utiliser des systèmes automatisés capables de «capturer» les millions d informations hétérogènes stockées dans les bases de données, la littérature scientifique ou dans les descriptions de brevets, puis de les assembler de manière cohérente dans un système unique. Selon ce principe, on ne s intéresse pas seulement à la découverte et à l analyse de nouvelles cibles thérapeutiques, objet du criblage à haut débit (tests de molécules sur des systèmes biologiques simplifiés) et de la biologie structurale; on cherche aussi à prendre en compte le plus possible la complexité de l environnement cellulaire. Pour cela, chaque système extrait toutes les informations biologiques et chimiques pertinentes concernant une ou plusieurs classes de molécules d importance thérapeutique (protéines kinases, récepteurs, etc.). Cette nouvelle application de la modélisation informatique qu est l étude des interactions moléculaires qui créent la dynamique d une cellule s appelle la modélisation dynamique. C est notamment un domaine de prédilection de Helios Biosciences, avec deux programmes de R&D axés sur le cancer de la prostate et l épilepsie. Cette modélisation ou cette base de données est souvent couplée à un logiciel ou un application qui permet d organiser l information de manière à l obtenir directement après requête simple. Il est ainsi possible de répondre rapidement à des questions précises, comme : «ce peptide a t il une action inhibitrice sur ce récepteur dans les cellules du foie?» ou «Avec quels partenaires moléculaires cette protéine interagit elle pour activer telle voie métabolique?», etc. A Paris, Aureus Pharma, créée en 2000, a ainsi développé plusieurs bases de données spécifiques, les bases «AurSCOPE», concernant par exemple les canaux ioniques et les récepteurs couplés aux protéines G (RCPG) pour lesquels des recherches à visée thérapeutique ont été publiées. Elles visent à accélérer la mise au point de molécules susceptibles d agir sur ces protéines des membranes cellulaires dont le dysfonctionnement est en jeu dans diverses pathologies (comme la mucoviscidose, les arythmies cardiaques, l hypertension). D autres bases sont en développement concernant les protéines kinases, les récepteurs nucléaires et les protéases. B. Les propriétés ADMET Un autre développement essentiel de la «pharma informatique» est la construction de bases d informations qui intègrent les propriétés dites ADMET (absorption, distribution, métabolisme, élimination et toxicité) des molécules d intérêt pharmaceutique. Ce type de base permet aux laboratoires pharmaceutiques de maîtriser la «pharmacocinétique» d un médicament candidat : son absorption dans l organisme, sa distribution dans les différents tissus, son métabolisme les transformations chimiques qu il subit, son élimination par les reins, et son innocuité. Cela revient à détecter en amont du processus les risques ou inconvénients potentiels d une substance et ainsi 12

13 d éviter de perdre du temps : une molécule qui est bloquée par la barrière hémato encéphalique ne servira jamais de médicament cérébral La société francilienne la plus anciennement placée sur ce marché est Cerep. Outre plusieurs «chimiothèques», elle propose différents tests de «profilage» des caractéristiques physicochimiques et pharmacocinétiques de composés en développement pharmaceutique. Hybrigenics, spécialiste de protéomique, génère des bases de données concernant les interactions entre protéines ; un logiciel, le PIMRider, peut même intégrer les résultats d un client et toutes les données disponibles sur les protéines impliquées dans un réseau d interactions. De son côté, en partenariat avec Servier, Aureus Pharma a développé la base AurSCOPE ADME/DDI, qui concerne les propriétés ADME (absorption, distribution, métabolisme, élimination) de quelque molécules. Une autre start up, Ariana Pharmaceuticals a quant à elle bâti la base KEM (Knowledge Extraction and Management). Enfin, une dernière application de l informatique à la biologie, mais non la moindre, reste la création et l implémentation de progiciels de gestion de laboratoire, sorte de système d information spécifique aux laboratoires, comme les LIMS (Laboratory Information Management System) Conclusion Malgré les quelques divergences que l on constate entre les objectifs des entreprises de bioinformatique et les chercheurs (et l absence, par exemple, de logiciels de reconstruction d arbres phylogénétiques), la plupart du temps les deux avancent conjointement, et les applications développées par les entreprises sont l aboutissement de recherches universitaires. On constate même que les entreprises sont souvent comme «adossées» à la recherche scientifique, qu elles poussent à son paroxysme lorsqu il peut en résulter des bénéfices. Nombre d entre elles sont d ailleurs situées sur des campus, comme Atragene Bioinformatics (campus de Genopole à Evry), ou encore Genewave (campus de l école Polytechnique à Palaiseau). Recherche et industrie avancent ainsi en parallèle, utilisant le plus souvent les mêmes méthodes et algorithmes, voire les mêmes bases de données à l origine des tests. 13